1.基本概念：
训练集，测试集，特征值，监督学习，非监督学习，半监督学习，分类，回归
2.待学习的概念或目标函数成为目标概念，记做c
3. 例子：学习 “享受运动" 这一概念：
小明进行水上运动，是否享受运动取决于很多因素
天气：晴，阴，雨
温度：暖，冷
湿度：普通，大
风力：强，弱
水温：暖，冷
预报：一样，变化
享受运动：是，否
概念定义在实例(instance)集合之上，这个集合表示为X。（X：所有可能的日子，每个日子的值由 天气，温度，湿度，风力，水温，预 报6个属性表示。
待学习的概念或目标函数成为目标概念（target concept), 记做c。
c(x) = 1, 当享受运动时，
c(x) = 0 当不享受运动时，c(x)也可叫做y
x: 每一个实例
X: 样例, 所有实例的集合
学习目标：f: X -> Y
4. 训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集
测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集
特征向量(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例（>标题栏第一行）
标记(label): c(x), 实例类别的标记>最后一栏的结果 是与否
正例(positive example)
反例(negative example)
5.
研究美国硅谷房价
影响房价的两个重要因素：面积(平方米），学区（评分1-10）
6.
分类 (classification): 目标标记为类别型数据(category)(>是与否)
回归(regression): 目标标记为连续性数值 (continuous numeric value)(>数值)
7. 例子：研究肿瘤良性，恶性于尺寸，颜色的关系
特征值：肿瘤尺寸，颜色（>标题栏第一行的属性）
标记：良性/恶性
有监督学习(supervised learning)： 训练集有类别标记(class label)（>例子小明）
无监督学习(unsupervised learning)： 无类别标记(class label) (>例子：肿瘤)
半监督学习（semi-supervised learning)：有类别标记的训练集 + 无标记的训练集
8. 机器学习步骤框架
8.1 把数据拆分为训练集和测试集
8.2 用训练集和训练集的特征向量来训练算法
8.2 用学习来的算法运用在测试集上来评估算法 （可能要设计到调整参数（parameter tuning), 用验证集（validation set）
100 天： 训练集
10天：测试集 （不知道是否 ” 享受运动“， 知道6个属性，来预测每一天是否享受运动）
